Tema1 Introduccion e Variables, atributos y escalas. « Poblacién y muestra. Etapas del analisis estadistico.1. Introduccion 2. Variables, atribuos y osealas. Poblacion y muestra, © Etapas del andisis estadistic, 'nvosigader social utza bs modelos matematlcos para analzar ls fenémenos estudades Definon de stad nln varies cbservodas Variables no coelacionadas ‘inclonsment, Dos grandes ramas:desesptvaeiferenca, “Clones estacitca 8. Variables estates Carel 0 magni que exams astsiando, ‘Alibutos cultabvos(modaldades) rete avaible cuanttativas (valores). ‘arate continue o deertae (Stine toca rnpotants despuse y con y. ene x, ye) Dis nitric ods weneversaeso datos panel cals: Nominal (Sinordon) (Ramas actvidad econdm.. estado cl, profes. erates... Ordinal {Cenorden, sin esata) (iheles do estos, eats de rent.) De intervals (Cen esa, sin coro; colocados [nr], est colocados todos) (Sdares, presupuesios, gases, pashos tnancleos..) Be Proporcién {Can coy cot esa cloeados 0 1, on colocsdo todos) (Ed, romero de stocks invented, Poblacion y muestra. Conjunto ota objeto de esto un subconjunt ta, Dito de muestra para el estudio de a poblacin require hacer hipétesssobe as variables ‘qe eran one fenoeno que eetiamos Ejemplo de encuesta de itencin do veto en la Comunidad de Made, Dierencia ene conso y ercuesta. Etapas dol anlisisestadistico 1 Recopisa _Ejpmplo de estudio deresutadesacadémicos de slunnos en fa VAM, toe. Dieter de cheat, raiscin onic, loge informa. 2, Ondenacin y presentacion, ‘Tablas estatisticas ojmplo de plicua de camin de documenos) Gres (emp de vatiacones de las cits de pro con bras campletas 0 ‘80 los ramos utmos).3. Resumen dejan mete paramets de med ls dtucones artes (pen ils adie j [de mand), Ejay 4. Verifcacidn de las hipétesis mediante métodos matematicos precisos. “ Explicain sucta del método entific que incaye como derenciadore la fermulacin de hipotests su conaste con ia obsewaien Khan yl flso00 ‘elas pts, Ejmplo del semis en parva, 5 No se stele cit la formulacion de nuevas progntaey de mucus hips fhlzar cade etude pero es una pane herent, En este curso ectaremos tbejando en os pasos dos y ves de este proceso Comentarios fates -Relacin con a economia, nino meso ene estadsiea como veidad absolut y desprecio| porto abn datos Abuse y dstrsionestacitios, Guashinies 4 Elereid.ce 1 Deserta un protien actadletco que considers itresante y por qué oes on concrete Disefe ur procedimento para su esudisitmatica Sofie especiicamente ls dicts que encontaia coma os afontara| 2. nga un emp de uso indebitooineresade dela "nlomacin estates" en una ‘tscusion one padies eos respecto asus ealficaciones ales de eso cures Lae nos dA fueron 7.4, 3 8, 5,7, 9,8 8. Puede ayudar a cada pate els dsc) ‘Con al graico qu conidore mae adeckd osu argumeniacen 3. Suponga que e han encomendad al esto de las calcaciones de slums poe ‘asiqaluras de os mes afos en a Unveridad Autonoma de Mati el arco de luna eostructuractn de las facades. , ve fuentes uizaria? Lue ciataes ‘ereontara? 4 Lehan initado a un cento de enseianza secundaria le han pedo qe dé una hari cies y chicas de 16 aos save a scone a estado Pods hacer in gutén deo ue os conti? Cla Seta -cPot qu lel Pcooces or gut estudio Estasisica? 5 Sevan a ral elerciones en la Comuniad de Ma y se desea conacer la ‘tencion de voto a rants do na encuosta. ,Como daria una mucsto 2.000 ersonas para que ls reslados eran fables? ¢Como elegant as Detsonasconcretas pars responder a enclesta? 16 Ponga tes clemples de variables estdisticas cuaatvas, cuantttivas dscrtasy ‘suantavascontinas. Coma cuasicari sus espectnos restless? 7, Dela Encuesta de Prespuesios Familiar se extrasn los sigvienis datos sobre at Personas que inegran las familasespaicas (N) Numero de parsones que wiegran ‘cleo fama (E) Eudes; (P) Protest (C) Estado Gh) ngrosos anusles {2 Culles de esos earaateres se consieran abies?Tema2 Distribuciones Unidimensionales ¢ Distribuciones de frecuencia unidimensionales e Representaciones graficasEstadistica Descriptiva para Economia y Administracion de Empresas Cuestiones tipo testy ejercicios con Microsoft” Excel Fuensanta Amaldos Garcia M? Teresa Diaz Delfa Ursula Faura Martinez, Lourdes Molera Peris sabel Parra FrutosDistribuciones de frecuencias Conceptes generales Distrbuciones de frecuenclas unidimensionales Representaciones graficas Medidas descriptivas de los datos: ‘Medida de posielin, dispersion, forma y concentracién formaciones lnealesDISTAIBUCIONES DE FAECUENCIAS UNIOIMENSIONALES # 61 1.1 Conceptos generales Poblackn: Conjunto de individuos 0 elementos que poseen ciertas propiedades comunes que Se desea estudiar Muestra: Subsonjunto representativo de una poblaci Inpoblacién o estrato: Parte de lh poblaci6n no representativa de la misma Caricter: Propiedad, rasgo 0 cualidad de los elementos de la poblacién, Atributo: Cardcter cuslitativo, no susceptible de ser medido numéricamente. Las distintas ‘observaciones de un atributo se denominan modalidades, y pueden venir expresadas en escala hhominal (modalidades no susceptibles de ordenacién) o en escala ordinal (modalidades susceptibles de ordenacidn). ‘Variable: Carécter cuantitativo, Sus distintas observaciones se denominan valores. Las variables pueden ser de dos tipos: discrelas, cuando no acmiten siempre an valor intermedio ene dos tualesquiera de sus valores, y eantinuas, cuando sito hacen. ‘Sea un conjunto formado por N elementos y sea X una variable que describe un cardcter de los rmismos, cayos posibles valores, ordenadas de menor 8 mayor, SOM XXX Frecuencia absoluta de x 6 el niimero n, de veces que aparece en el total de Tos N elemento, Frecuencia relativa de x, es la proporcidn f/ de elementos del conjunto para tos cuales lt caracteristica considerada toma el valor 2, Se obtiene como f~»m/N, y multiplicado por 100 representa el porcentaje de elects que toman dich valor Frecuencia absoluta acumulada de x, es ef nimero WN; de observaciones menores 0 iguales que 4%, Se caleula, por tanto, como Nj=n tty on, =e tM Frecuencia relativa acumulada de x, es la proporcién F; de elementos para los cuales ‘caricter toma un valor menor 0 igual que , Se puede caleular como Behehtor hanna t © ITESParoniato152 + ESTADISTICA DESCAIPTIVA PARA ECONOMIA Y ADMINISTRACION DE EMPRESAS Se denomina distribucién de freeuencias al conjunto de valores de una variable junto con las frecuencias correspondientes a cada uno de ellos, {%;7)},n12,..- Podemos hablar de dos tipos de distribuciones dependiendo de la forma en que se presenten los datos: Distribucién con datos no agrupados en intervalos. Para variables que toman pocos valores ferences. Se presentan en tblas con la siguiente forma general: = [ea[n [eh a fmlal® [A aimlale |e Disin con los rapid ners. Si con war he mana eo tmy cele ltr dite, com je ett ds mane armen frecuencia absoluta asociads a un intervalo (£,_,,,] sera el mimero total de observaciones Pertenecientes al mismo, En este contexto, hay que introducir nuevos conceptos, como son la amplitud del intervalo, 4=Z,-J,,, la marca de clase 0 punto medio del intervalo, =F, y a mild de ete, sn bs cn sso fom net Este tipo de distribuciones se tials als hls] 4] tak | |r 4 bog | MA) a fa alafslelela Finalmente, nétese que en el easo de trabajar con un atributo en lugar de una variable, ppodremos calcular siempre las frecuencias no acumuladas, mientras que las acumuladas sélo se ppodrin ealeular en el caso de que esté medido en escala ordinal, 1.3 Representaciones gréficas Los grificas que se utlizan para representar una distibucién de frecuencias seri diferen segiin la naturaleza del carder a estudiar. © TES ParanintoDISTRNBUCIONES DE FRECUENCIAS UNIDIMENSIONALES ¢ 53 1.3.1. GRAFICOS PARA ATRIBUTOS: Diagrama de reetingulos. Se rqresentan las distintas aodalidades en ol eje de abscisas, veyantindose sobre cada una de ellas un rectingulo cuya altura es igual a fa correspondiente frecuencia absolute 0 relativa Diiagrama de sectore. Se divide uncftculo en tanas porciones como modalidades existan, de modo fhe a cala una de elias le coresponde un soir circular con rea proporcional au frecuencia absojutao relativa > Pictograma. Se ulizan dibujos alusivos al tema de estudio para representar las frecuencias Tistos dibujos pueden realizarse de tal forma que tengan un ‘amano proporciopal & la frecuencia (absoluta ¢ relativa) de la respectiva modalidad, o bien repetirse un nimero de ‘veces proporcio-mal ala frecuencia absoluta 1.3.2. GRAFICOS PARA VARIABLES: A. Distribuciones con datos no agrupadas en intervalos Diagram de barras. Se tevants una barra sobre cada valor x, enn wna altura igual a m6, . Se uren mediante recla los puntos de coordenadas (i, %) 6 (i Poligonal de frecuen iagrama acumulativo de frecuencias. Se epresenan las frecuencias aeunulada (absoluas, Ny ‘ relativas, F) para todo valor dela recta real, obteniéndose un grifico con forma de scaler 1B, Distribuciones con datos agrupados en intervalos Histograma. Se construe representando, sobre cada interval, un rectingulo con altura igual nla densidad de frecuencia d, con objeto de que el rea de cada reeténgulo sea igual la frecuencia absoluta del correspondiente intervalo, Cuando Tos intervals tienen la mises amplitud se puede utilizar también como altara la frecuencia absoluta m, obteniéndose en ese caso reas proporcionales las frecuencias Poligono de frecuencias. Resuta de unie los puntos medios de las bases superires de tos Teetangulos del histograma, (x, d). y cerrar el potigono cortando al eje de abscisas de forma que el area encerrada entre el poligono de frecuencias y el eje horizontal coincida ‘it dea dt histogrumn Poligono acumulativo de frecuencias. Para constuirlo, e levanla en el extremo superior de ‘cada intervalo una ordende con alcura igual a la frecuencia acumulada (absolua, N,, 0 relativa, F), uniendo después estos puntos, aTema 3 Medidas en Distribuciones Unidimensionales « Medidas de posicion » Momentos « Medidas de Dispersion ¢ Medidas de Forma * Medidas de Concentracién ¢ Transformaciones lineales Tipificacién de una variable1.4 Medidas deseri Con ef fin de sintetizar toda estadlisticas 0 medidas descriptivas de I tivas de los datos 1a infoemacidn contenida en una tabla de frecuencias, se definen los ios datos. Segin Ia informacion que €stos nos proparcio- © IFES Porsninto TD fi154 = ESTAOISTICA DESCRIPTIVA PARA ECONOMIA Y ADMINISTRACION DF EMPRESAS. nen, se distingven entre medidas de posicin, medidas de dispersi6n, medidas de forma (asietria, ¥ curtosis) y medidas de concentracion, 1.4.1. MEDIDAS DE POSICION Las medidas de posicion dan una idea general de donde se sitia la distibucién de frecuencias sobre la teeta real ‘Moda: Vator(es) de la variable que intervalo modal sera aquél con mayor densidad de frecuencia (0 mayor frecuen Jos intervalos son de igual amplitud). Una vez determinado el intervalo modal, (LE, existen distinos criterios para destacar, dentro de él, un punto come moda. Hay ctilerios que cestablecen que el valor mocal es el extremo inferior del intervalo modal (aunque este valor, en realidad, no pertensce al intervalo moda), 0 cl exttemo superior, 0 el punto medio, 0 que la ‘moda ests mis prOxima al iotervalo contiguo con mayor densidad de frecuencia, en cuyo caso, se repite(n) Si tenemos datos agrupados en intervalos, el ia absoluia si om Mom hy 7 Ma Mediana: Fs aquel valor tal que, una vez ordenadas las observaciones de menor a mayor, deja el ‘mismo mimero de observaciones a su derecha que a su i2quieréa. En distrbuciones no ageupadas en intervalos, se determina el primer valor x, de la variable cuya frecuencia absoluta acummulada N, es mayor o igual a NI2. SiN, es igual a N/2 entonces la mediana se obtione como Y SIN, es esrictamente mayor que 2, entonces la medians es x, Silos datos 2 vienen agrupados en interva.9, es necesatio seleccionar, en primer lugar, el intervalo donde se encuentra la mediana (inervalo mediano), siendo éSte el primer intervalo (.i;) cya frecuen-cia absoluta acumulada NY, es mayor 0 igual 2 N/2, Suponiendo que las ebservaciones se distribuyen uniformemente en el intervalo, Ia expresin para la mediana seri Ny Me = 1,42 -Ma 4 CCuantites: Valowes que divider a la dstribucién, una vez ordenada éta de menor a mayor, en infervalos de igual frecuencia. Los mis usuales son los cuales, Q,, Qs y Os, que divide la © ITES PacaniatoDISTRIBUCIONFS DE FRECUENCIAS UNIDIMENSIONALES » 55 istibucidn en cuateo intervals, cada uno de ellos con el 25% de las observaciones; los deciles, D), Dz... Dyy que divden Ia dstribucion en diez pares, y los percentiles, P,P, Py, qe la dividen en cien, Sueatculo es similar al de la mediana, sustituyendo N/2 por pN/q cen el caso de caleular el cuanil p-ésimo de orden q, Guy, con 0, DP tde) YP Pate + Pete) indice de precios de Fdgeworth: Ey j= i= 1 ?a_—___ LPalde Ge) — LP + Pits) fndce de precios de Fisher: Fj CObsérvese que los tres prime-os indices pueden expresarse tanto en forma de indice media riunética ponderada como de indice media agregativa ponderada: Tudice media aritmética ponderada | Tadice media agregaiva ponderaia Soom LASPEYRES| PAASCHE EDGEWORTH 1%) Potia* Poe © eSParaninte276+ ESTADISTICA OFSCAPTIVA PARA ECONOMIA ¥ ADMINISTRACION DE EMPRESAS 43 dices de cantidades ‘Los indices compuestos de cantidades ms wilizados son: indice de cantidades de Laspeyres: I Sora Spot Seer SM aur indice de cantidades de Paasche: P=" fede Lar Lake Yael +P) LT AoPo + AoPe) Indice de cumtidades de Bageworth: gj= = ———— = 542° Laon) Lauro 40rd Indice de cantidades de Fisher: Fs = {Fou Pio [At igual que suceaia con ls aloes de precios, os indices de canidades de Laspeyres, Pans che y Eageworth se pueden expesar como indice media aritmetica ponderada o como fice ‘media agregativa ponderada’ Tadice metiaantmdtea ponderada | Indice media agregativa ponderada Sham Sam on 1,5 B- im LASPEYRES| PAASCHE EDGEWORTH. Pia + ePo © 1TES-ParsintoNOMEROS innice « 277 4.4 indice de valor FF indice de valor es el coviente entre el valor de los bienes considerados en el periodo actual a precion del periodo actual y el valor de los bienes en et perfodo base a precios del perfodo base, por lo que refleja conjuntamente ks variaciones de los precios y los eantidades: yon hae % Yvo Sate dems, se verifiea IV, = Les Fou = Loi Pei = Foi fap 4.5 Propiedades de los numeros indices i Las siguientes propiedades son veriticadas, en general, por los nimeros indices simples, y, aun- aque seria deseable que ls indices complejos tambien las cumplicran, esto noes cierto para todos ellos. ‘Existencia: Todo nfimero indice debe estar bien definide y ser distinto de cero {dentidad: Si period base y el periodo actual coinciden, el rimero indice debe ser ip {si est en tanto por uno) 6 100 (si esté en porveniaj). Inversin: Si se intereambian los periods base y actual, se obtiene J? = 1115 Ie dh, ‘Circular: Dados varios periodos de tiempo, 0, fy fy. te» Seton I Proporcionalidad: Sien el perio actual Ia magnitud (0 tod ls magnitudes simples en el caso ‘de un indice compuesto) varia en una proporcién, el indice cambia en la misma proporcién. ro deben afecarle los cambios en las unidades de medida ‘Homogeneidads A un ini 4.6 Operaciones con numeros indices Renovacién: Se refiere a variacioes en los aticulos seleccionades para elaborar un indice com plejo y/o en las ponderaciones de los mismos come respuesta & cambios en la estructura 90- tinecondmica subyacente (carbios tecnol6gicns, gusts...) © ES-Parminto278 » ESTADISTICA DESCHIPTIVA PARA ECONOMIA Y ADMINISTRACION DE EMPRESAS Enlace: AI hacer una renovaciin de un Indice compuesto, se obtienen das series eon periodo ase distino que hay que unificar en una serie con una sola base, que carrespondera, en gene ral, al periodo en el que se eeetuo la renovs ‘Cambio de base: Permite expeesar una serie de nfmeros indices caleulados con cierta base (de~ nota por 0) en ofra base dstinta (por ejemplo, h), mediante la propiedad circular, fh nm Mh 4.7 Deflacion [Al perder valor el dinero alo largo del tiempo, como resultado de Ia variacin en los precios, no ‘se pueden comparar directamente valores de una misma magnitud en dos periodos distntos (valo- res nominales), pues ambos verdrin expresados en unidades monetarias con distinto poder adqui- Sitivo: fo adecuato es escribir dichos valores en unidades monetaras de un mismo periodo (alo- res reales) Valor nominal: ¥," = Su ‘Valor real (en wm. del periodo 0): ¥/ (base 0) BI procedimiento mediante et eual una serie de valores nominates (en w.in.cortientes) se pasa fa valores reales (en tm, constiates del periodo 0) se denomina deflacién, y se Neva a cabo divi ‘endo la serie precios corrientes por un indice de precios adecuado, que recibe el nombre de deflactor, ye Witpase )= (ase 0)” Fadice de precios del perodo ren base 0 En general, el indice de precios neo para defactar una serie economica es el indie de pre~ cos de Paasche, aunque en la mayoria de las ocasiones, debido a lo costoso de su ealeulo, se Sele uttizar un indice de precies de tipo Laspeytes © TES ParsinfoTema 7 Series Temporales ¢ Introduccién e Componentes de una serie temporal e Esquemas aditivo y multiplicativo ¢ Supuestos en el analisis de una serie temporal de la tendencia de la estacionalidad * Componente irregularEzequiel URIEL MANUEL Muniz Re Uys OZ Ue? Estadistica economica J empresarial Teoria y ejercicios crm. e2sszs. FEEM Eatorial AC, libros ciemtfion y tkenios Madrid390 Cuanea PARTE: SERIES TEMPORAKES entra de los métodos evantitatvos, el otro gran blogue est intesrado Pot ot anbdat canal, denorinado ax poraue fa expizacin de In variable 9 ahs Sojeto de estudio intervionen factors extern. Quis el término de causalidad, por oOo raiones de todo tipo que puede tener, sea demasiado fuerte para eee tongue iciden fos factors exernot en a expliason de un arab 1 Foe in ha adautido su carta de naturaez, especialmente olan Ts estadistico de variables relaciodadas temporalmente 11.2. METODOS DE DESCOMPOSICION 11.2.1. Componentes de una serie temporal Em los métodos de descompossin se suc considerar que a sre se puede deseo vere todos oalgancs dels siguientes components: endencia cor ciclico, Patacionalidad y ‘novimiento irregular vi significado Je cada uao de estos componente eel sient: Tendencia Bs la que refleja la evoluciOn a largo plazo de ln sere bstériea Factor eletico Recope las osisiones de carter peidaco, pro no regular, ¥ amen p70, Fa mcd que el priodo deca cco siempre & supetior a ao. Ee soa evento ecuente encotrarlo en as series zombies debe 2 os | 1s | 00 | sens | 143.00 10. 120. 0 ® 100 7 0 2 4 6 &§ w Rw Fig, 1213. Recta ajustadt con los datos ventas de maquina herramients i rr NNer 13 Anilisis de la estacionalidad 1B. PLANTEAMIENTO En este capitulo se trcta de realizar el aniisis de la estacionalidad para cubrir dos “objetivo diferentes En primer lugar, s estudiar fa desestacionalizacin de una serie temporal, o que permitiré hacer comparaciones entre dos estaciones sucesivas. Muchas veces, Iain fluencia del factor estzional actia como una mascara que impide eaptar adecuada- mente Ia evolucién del fenémeno objeto de estudio. Como ejemplo, supdngase que ‘xtamos analizando la variacién experimentada por el indice de procueeién indus ‘entre los meses de agosto y septiembre de 1986, Tomando como base la media dol atlo 1972 = 100, el indice de agosto de 1986 es 80,8, pasando en septiembre de «ese misino afio a 147.3; inmedlatamente se deduce que la variacion entre estos dos ‘meses es de un 82,18 %, Aparentemente, yen una primera aproximacién, és es un crecimiento sensacional, que deberta hacer saltar de alegria al Ministro de Industria correspondiente, Sin embargo, cuando se examinan estos datos con mayor profun- dlidad, se observa que sl dato de agosto es anormalmente bajo como consecuencia de fas vacaciones estivales; mis precisamente, deberfamos haber dicho que el dato ‘de agosto cs estacionaimente bajo. En este ciao, la estacionalidad acta como um velo muy tupido que inpide hacer cualquier otto tipo de consideracién sobre la va Fiacién experimentada; es decir, no son comparables ambos datos. La desestaciona- lizacién de una serie temporal equivale a Ia eliminacién de ese velo, permitiendo rea Tizat comparaciones ertreestaciones —en este caso, meses— consecutivas, En otras ocasiones, ms que comparar estaciones consecutivas, lo que interesa a ‘estadistco es realizar predicciones de series temporales, Naturalmente, cuando estas seties son mensuales, otrimestrales,suelen estar afectadas por el factor estacional, por lo que es preciso tenerlo en cuenta a la hora de la prediecidn. 453454. CUAREA PARE: SuRuES vORALSS 55n el capitulo 11 se examinaron distintos cvterios para diseriminar entre un es- ‘queme aditivo y un equema mulkiplicativo, En el érea econdmica, parece claro que la mayor parte de las series siguen un esquema multiplicativo. Por esta raz6n, en ‘este capitulo se verdir métados en los que la tendencia y la estacionalidad estén liga ddas de forma multiplcativa, Coneretamente, para la desestacionalizacion de series Se examninara el métedo de la razén a la media mévil, basado en un esquema multi plicativo puro, Este método, realmente, es el ms uilizado, ¢ incluso métodos de Uesestacionalizacién muy sofisticados que requieren el empleo de un ordenador fe. tain completamente basados en este principio. in la predicién, el método que Feviste mayor interés, de acuerdo con Tos resulta ‘dos obtenidos, y el qe seréestudiado aqui, es el método de Hlolt-Winters, que cons tituye una extensién del métode de Holt examinado en el capitulo 12, y es aplicable a series afectadas por la estacionalidad, El esquema subyacente en est €a80 &8 mix- to, en el que tendenea y estacionalidad interactian de forma multiplicativa, mien- tas que la perturbacién aleatoria juega wn papel advo. “También se pueden realizar predicciones a partir del méiodo de la razén a la me- dig movil. Como su aplicacin es muy sencilia, también sera objeto de explicacién cen el presente capitulo, "Aunque no serdn examinades métodos basados en el esquema aditivo, su estudio no plantea ningin p-oblema especial si se tiene conocimiento de los métodos mult plicativos. 13.2, DESESTACIONALIZACION: EL METODO DE LA RAZON ALA MEDIA MOVIL, Para la exposicin de este método vamos a partir del esquema multiplicative y rx CX Bex Ty ast) ‘Ahora bien, como en su aplicacin no se distingue entre tendency ciclo, vamos ‘a ulilzar el simbolo TC; para designar conjuntamente el componente tendencia- elo. De esta forma, el esquema multiplicative se express ast: % CX E, x Ie (32) El objetivo del método de la raz6n a la media movi es aslar ef componente esta- cional E “Tit psave de dseacintizaion ms onoido mundiament es 1X11, desarollado por Buea re Cina de Eaton Uatdos de Ameen. st procedimint, que ld basado eel modo de Ft Cen aa lo que apie ef Banco ds span para dessa ly Series de eae eeEE ANALSIS DE LA SSTACIONALIDAD 455 Respecto al comporsamiento de E,a lo largo del tiempo se pueden adopiar dos ‘supuestos: estacionalidad estable y estacionalidad evolutiva, El supuesto de cstacionatidad estable es el mis simple. En este ca80 no se ad. mite que el factor estazional pueda cambiar al pasar de un aflo a otto. Designan. 4o por 1 la longitud det periodo estacional (si los datos son menswales, = 12; 4 {os datos son trimestrales, = 4), cuando la estacionalcad es estable se debe verift car que , FAO 12. L— (3.3) Fie Biayt [Es decir, el componente estacional toma el mismo valor en afi sucesives para 1a misma estacién, Naturalmente, en el supuesto de estacionalidad cambiante se permiten cambios enna misma estacin al pasar de un ane a otro, A continuacin estudiaremios, para ‘ambos supuestos, tanto procedimiento de desestacionalizacién como el de predie- ‘ida de valores Futuro, 13.2.1 Desestacionslizacién con estacionslidad estable ‘A efectos de notacién dstinguiremos entre el esquema tedrico, que viene dado por (13.2), y as estimaciones que se vayan haciendo de los distintos componente, 2 Tas ue se aplicard un acento circunflejo 0, en algin caso, otro simbolo especial Las fases para la apliacién de este método son las siguientes 1. Obtencién de una media mevil de orden estacional ‘Una media mévil de orcen estacional, es decir, de orden L, simetrica vendra dada per Bo Mew Byes Ley Ey MMUL), 40,5 po ( path 2 (3-4) Bn la expresin anterior se ha considerado que L es par. Este es el supuesto mas normal, y es ef que cortesponde a datos mensuales (f= 12) 0 a datos trimestrales (= 4). Asi, por ejemplo, para 1 = 4, el primer valor de la media mévil se asigna al punto (L/2) + 0,5 = 2,5, tomando el valor: Yenenen MMO), 5 ~ a ‘Como puede verse con cardcter general en la figura 13.1, el punto medio de las ‘observaciones que intervienen en (13-4) esd situada entre ¢y ¢+ 1, es decir, en el ee456 CUAREA eARSE: Semues ToNPORALES punto 1+ 0,5. Tartbién se ha representado en esta figura fa media movil que se ob- ticne al susttur f por ¢ 1 en (13-4); el punto medio esta ahora situado entre ¢ ~ 1 Yy#. Coma el punts medio de estas medias méviles no se correspond exactamente ‘on ninguna observacién, se les aplica el calificativo de medias meéiiles mo cen- sradas. BMD vos Lat t { v2 rin MMKLy 08 — Mace 2, Fig, A. Medias mdviles centradasy no 2. Obtencién de sna media mévil centrada , Sia (134) le aplicamos una media mévil de orden 2 obtendremos una media movil ‘entrada, como tembign puede verse en la figura 13.1. Su expresi es Ia siguiente: ann 9, = MDa + MM a3) Lye taka der, ( rthy*? Fila nomenclatura utlizada para designar esta media m6vil aparece entre parén tesis L x 2 para indiear que hemos aplicado una media mévil de orden 2 sobre otra media mévil de orden £.. El subindice indica, como siempre, el punto de asignacién dela media mévil. Si empleamos el término orden de la media movil para desianat tf nimero de valores dela variable original que intervienen en su eélculo, diremos {que la media mévil (13-5) es de orden £ + 1. Si consideramos, por ejemplo, ave ‘L4, entonces, mediante Ia aplicacin de (13-5), obtenemos el siguiente resultado para ol periodoANAuMS Og La sSTACIONALIDAD 457 MMU, 05 + MME, oo.5 MMS x2),= = O125Y, 4 + O250Y,_ + 0,250Y, + 0,250¥, 5 + O,125Y;,2 Como puede verse, la anterior media mévil s de orden L +1 = 5, en cuanto que intervienen 5 valores ditintos de ¥ en su cdleulo. Esta media mévil es una media aritmética ponderada, ya que los dos valores extremos tienen tn peso que es la mitad el correspondiente a los valores centrale. Obsérvese que la primera media m6vil de (13-5) que se puede caleularcortesponde a la observacién (L/2) +1 y la ultima a Ia observacién N ~ (L/2), Por tanto, esta media mévil contiene L datos menos que la sere original ‘Cuando Z sea impar esta claro que las metias méviles de orden L estarin centra- as directamente 3. Obtencién de indices brutos de variacién estacional (IBVE) ‘Al tomar una media mévil de orden £ x 2, la influencia del componente estacional ‘Quedaréeliminada,o atenuada en su mayor parte, ya que en cada media mévilinter- Vienen dos datos de cada una de Tas estaciones, es decir, de cada tno de los meses sel periodo es 12, 0 de todos los trimestees si el periodo ¢8 4, Por otta parte, por tratarse de un promedio de valores individuales, el componente irregular también ‘quedara eliminado en mayor 0 menor medida al tomar una media mévil de orden Lx 2, En consecuencia, la expresion (13-5) se puede considerar como una estima- cién det componente ciclo-tendencia, es decir: TE, = MMU x 2), 3.6) Si dividimos la serie original por (13-6) obtenemos «3.7 es decir, una estimacin conjunta del componente estacional y del componente irre ular. A fos valores obtesidos al aplicar (13-7) se los denomina indices brutos de ‘riacién estacional UBVE). El calificative de bruto proviene del hecho de que estos {indices estén contaminadas por el componente irregular459 CuaRTA nanse: Smus rewoRates 4. Obtencicn de indices de variaciSn estacional sin normatizar Supongamos que disponemos de informacion para K aos completos. Por tanto, si cl nimero total de observaciones es N’y la longitud det periodo estacional es L, se verificard que K x 1. = N, Bajo estos supuestos, para cada estacién se dispone de K = 1 indices brutos de variacin estacional, ya que se pierden L/2 datos al princi pio y 1/2 datos al final, es decir, se pierde un dato en cada estacin, Para cada estacin s* puede calcula tina media de todos los indies brutos dispo- niles. Asf, para la estacin la media se obtendré sumando todos tos indices br tos de variacin estacional correspondientes a esa estacién y dvidiendo por K — 1, ‘que es el mimero de dstos disponibles en cada caso, es decir, REN h 3.8) Al haber realizado un promedio de K'— 1 datos, el componente iregular queda afk, Sy oms | oss 2p ey. ae | Mee Sn 88 os 7; ow ts tie at oo > | Me mes So sor oo sn. wow] tee aus So a8 ead er tas460. Cuanta vant: Sinuss rodronatss smanejar un menor volumen de datos en Jos cleulos. No obstante, debe tenerse en ‘Guenta que al tomar medias trimestrales se suavizan en gran manera las cresta esta- CGonales, especialmente In correspondiente al mes de enero, que queda bastante di- Tuida al promediarla con los meses de febrero y marzo, que tienen un yolumen de ventas bajo. in la columna (2) del cuadro 13.1 se ha aplicado la f6emula (13-4). Como los da- tos son trimestrales, L = 4, yla primers media mévil que se puede calcular es la co- rrespondiente a (L/2) + 0,5, es decir, al periodo 2,5. Por tanto, sustituyendo f por 1/2 en (13-4) obtenemos Yume 3754 + 3306 + 3818 + 4420 + 518+ 409 = 324 Esta media mévil esté asignada al punto intermedio situado entre el segundo y cf tereertrimestre del primer aflo considerado. El valor siguiente se obtiene sustitu- vendo ¢ por (L/2) + 1 Bas Zemerer cB Yate Ma IMs = ee cae 2306 3818+ 4020 9 4157 + 395 Fl edleulo de las medias méviles centradas se efectia en la columna (3) del men- cionado cuadro, de acuerdo con la férmula (13-5). La primera media centrada que te pede caleular es la correspondiente al trimestre 3 del primer ato: art MMU) cos _ 3824-43925 _ = 3875 yer ao se obtiene nat MMUDe sa _ 3995-44067 _ z 2 ea x 2), MMOs 3996 En a columna (4) del euadro 13.1 se ha calculado Ia estimacién eonjunta del com- ponente estacional y del componente irregular, de acuerdo con (13-7): y, _ 3818 NMG XD, 3875 Eh 10,9853ANUS DE LA EStACIONALIDAD 461 fu Ys a0 MM 2), ” 396 11062 1 at suesivamente cons rst de lo valores ce a column, Enel cadre 13.2 calcul los nto de vaiconestaiona sh normalzar, de acuerdo con (138) A pra el primer timestes olen eluents inde Ares _ 1.008 410167 + 1087 A008 LONGT + 0897 1 o364 BR 3 Para el segundo trimestre, el indice de varincin estacional tomard el siguiente valor: gE Eines _ 08895 + 08718 + 0.8697 Pa = 0.8770 Es Cundro 13.2. Céledo de ls indices de variacién stacional sin normaliz bajo el supuesto de estacionaidad estab Ano | Trimeare 1 | Trimestre 2 | Trimestre s | Trimestre 4 1983 0.983 1.1062 rose | 1.0038 0.8995 0.9668 nasi was | 1.0167 osnis oom ma 986 | t0K0T 0,8097 Media | 10364 os770 0.9664 1119s Aplicando la frmula (13-9) obtenemos los indices de variaeiénestacional norma- lizados. Asi, para el trimssie 1 se abtiene of siguiente resultado: L ee 036 A = 1,066 En el cuadro 13.3 se han reflejado Ios indives de variacion estacional normaliza- dos para los cuatro trimestres. ‘Cundro 133. Caleuo de fos aioe de veracion estaconal normalizados UUVE) bajo l supuesto de esacionaliad estable Trimestee 1 | Trimesire 2 | trimesire 3 | Trimestre + | Sumo 1.0366 | osm 0.9666 7 | 0000 Finalmente, en el cuadro 13.4 se ha calculado la sere desestacionalizada obtenida ‘mediante ta formula (13-10). Obsérvese que los coeficientes de estacionalidad son462. Cuan panve: Senuss ronal Fig, 13.2. 150 00 6500 00 500 sooo . 450 00 2500 son fo Tape tasa trae tag 1983 wt vs 1986 Ventas en yandes laces sce vty sre estacinaiad bajo es posto de stconalidad estab Jas mismos en los diferentes afios, ya que hemos adoptado el supuesto de estacions Tidad estab En la figura 13.2 se ha cepresentado la serie original y la serie des- estacionalizada. Cuadro 13.4, Céleato de la sve desestacions tada de las ventas en grandes almacenes bajo el ‘upuesto de esacionalidad estabie sao | trimesre | Oe | & | & ano | 7 wo | eo) wes | 1 | 3754 | 1036 2 | 330 | srr 3 | sais | 0.966 «| 40 | ua20 aes | 1 | atsr | 1036 2 | xen | os 3 | we 4 | see aes | 1 | 5087 2 | 40 3 | san es) wes | 1 | 87 2 | ser 3 jas 4 | asAvia ne ta eatacionatman 462 15.2.2, Prediceién con estacionalidad estable Los coefcientes de estacionalidad calculados en el epigrafe anterior los vamos utilizar para realizar prediceiones de la variable. Como ya hemos indicado, este Imétodo no esté especialmente disefiado para una aplicacién recursiva. Por ello, ‘vamos a considerar el supuesto de que disponemos de una muestra de tamaio T ¥ descamos realizar predieciones para los L periodos siguientes. Asi, cuando los datos son trimestrales y ln muestra comprende atios completos, se trataria de pre~ decir los valores que toma la variable'en los trimestres del primer allo postmues- tral. ‘Bajo el supuesto de extacionalidad estable, ef predictor vendré dado por la si- auiente expresion: Proa=Trenby Wed ook 3-1) donde T'-,. €s la predicciin obtenida de le tendencia mediante el ajuste de una fun- cidn a los datos desestacionalizados. Obsérvese que en la funci6n anterior hemos prescindida del ciclo, ya que ste es un componente dificil de predecir. ‘Para representar la tensencia se selecciona generalmente una funcién sencilla, co- imo puede ser una recta o una parabola de segundo grado, segin cul sea la confizu- racidn de la serie desestacionalizada. Si en la sere original se han comado previa ‘mente logaritmos, el ajuste de una recta es aconsejable en la mayor parte de los ca~ ‘408 que se pueden presertar en la vida real Podria pensarse que la tendeneia puede caleularse ajustando directamente original, Sin embargo, exe procedimiento no es aconsejable, ya que el factor esta- ‘ional distorsiona gravertente los resultados dela estimaciGn, especialmente si a tacionalidad es fuerte, -Ejemplo 13.2. Vamosa realizar prediceiones de las ventas en grandes almacenes en el alo 1987. Bn el cwsdto 13.5 se recogen los edleulos auxiliares para el ajuste de una recta, ya que, a lavista dela figura 13.2, parece que esta funcién es apropia- dda para captar Ia tendencia de la serie desestacionalizada, que ela representada por vuna linea gruesa. ‘Habiendo numerado les observaciones muestrales desde la 1 hasta la 16, para el ceatouty de las estimaciones hemos realizado un nuevo cambio de origen: ze Ce ‘Aplicand las frmulas (12-35) y (12-36) se obtiene466 Cuanza pans: SERIES TEMPORALES | Aplicando (1238) obtencmos la ordenada del modelo original 4 = By ~ Bi Cy £4997 848 ~ 85 » 212,928 = 3187,957 Ia figura 15.3 de ta pigina siguiente se ha representado esta recta juste Cuno 13.5. Ajuste de una recta ‘con Jos datos des i ‘tacionlirados de ventas en grandes almacenes, t [a | 4 | 2% 2 : rf aca | ors | aries | ses 2 | a | 63 | 2008s | 22s 3 | 390 -ains | so2s a | ses -17766 | 2025 i s | aon | 33 | isos | 122s : 6] aie | 25 | -r100 | 62s 7 | ass | ts | —oaoss | 225 { s | ao | “os | 240 | 02s 9 | wm | os] 2a | ons ' wo] sie | us |r | 238 ' nn} si] 2s | sao | 62s . 12} sm | 3s | aos | a2s i | ass) as | 2sa02 | 202s ( uw} am] ss | sian | so2s { ts} as] os | aims | aes i te} ea | ns | soos | se2s = | m9 | 00 | ras | s4000 Las predieciones para el ao 1987 (periodos 17, 18, 19 y 20) serin, de acuerdo con (13-11), las sguientes Freese = (ig + 175 VE, = B187,957 + 17 x 212,928)1 0366, = 7056,896 Vygearne = Cig + 18D; Ey = (187,957 + 18 x 262,928,871 = 6187,822 Brava (Gp + 196;)6, = (187,957 + 19 x 212,928)0,9666 = 6991,987 Pryor arre = (6p + 206% )E, = (3187,957 + 20 x 212,928)1, 1197 = 837,865‘AwiaIIS DEA BSeActONAtIDAD 465 7000 soo 000 3000 pe | O24 6 8 wee Fit: 133. Ajute de una recta la serie desestacinalizada de ventas en grandes lmacenes 1323, Desestacionalizadin con estacionalidad camblante En el epigrafe 13.2.1 hemos considerado el supuesto de que los coficientes de esta: cionaldad eran estables, decir, que se repetian ato tras ao. Sin embargo, en maz has ocasiones este supueto no es reaisa, pudiendo ocurir que estos covicientes estén afectados por una tendencia En el supuesto de estacionalidad cambiante, tas fases para la aplicacin del méto- do de Ia razdn a la media mévil son las siguientes 1. Objencidn de unas medias méviles de orden estacional, 2, Obtencién de unas medias méviles centradas. 3. Obvencién de las indices brutas de variacién estaconal (IBVE). 4. Obtencién de los indices de variacién estacional sin normalizan Como se desprende de st enunciado, las res primeras fases son coincidentes eon las que se apliraban bajo ol eupucsto de estacionalldad estab, ‘Una vez obtenidos los IBVE, se debe proceder ala representacién de est indica lor para cada estacion por separado. AA la vista de esta representaciOn se tomard a decisién de cul es la Funcidn matemtica adecuada para represcntar la tendencla de la estacionalidad, Recuérdese que los IBVE son una estimacin conjunta del componente estacional 3 del componente iregular. Por ello, al realizar el ajuste de modelos que recojan [ifendencia de la estacionatdad, lo que estamos haciendo en realidad es eparar e, ‘8 dos components, Asi, aloplando el supuesto de que estin integrados de formng